Roboti u labirintu - 9/10

Kontekst

U istraživačkom centru za autonomne sustave testira se nekoliko vrsta robota. Za ove eksperimente korišteno je više vrsta arena, a svaki robot slijedi određenu strategiju istraživanja. Tijekom svakog eksperimenta, robot je opremljen skupom senzora i sustava za praćenje koji prikupljaju informacije o njegovoj aktivnosti. Zabilježeni podaci opisuju različite aspekte ponašanja robota i okruženja u kojem djeluje.
To može uključivati numeričke vrijednosti (npr. prosječna brzina, prijeđena udaljenost, broj sudara ili prikupljenih objekata), ali i kategoričke ili opisne informacije (poput vrste arene ili uvjeta okoline). Analizom tih podataka mogu se uočiti obrasci u načinu na koji se roboti kreću, istražuju prostor, prikupljaju objekte ili reagiraju na prepreke.

Analiza ovih podataka važna je za:

• identifikaciju strategije koju robot slijedi na temelju opaženog ponašanja;
• razumijevanje značajki koje razlikuju strategije jednu od druge;
• izgradnju modela sposobnih za automatsko prepoznavanje obrazaca istraživanja.

Za rješavanje ovog problema na raspolaganju ćete imati dvije datoteke:

• train.csv – sadrži označene primjere koji se koriste za analizu i treniranje modela;
• test.csv – sadrži iste varijable, bez stupca strategy_label, i koristi se za generiranje predviđanja.

Strategije robota

U eksperimentima se koriste četiri vrste strategija:

• explorer – robot koji pokušava posjetiti što više različitih područja;
• collector – robot koji teži prikupljanju objekata;
• guardian – robot koji patrolira i često se vraća u iste regije;
• sprinter – robot koji se kreće brzo, s naglaskom na brzinu i pokrivenost u kratkom vremenu.

Opis skupa podataka

Svaki redak u datotekama train.csv i test.csv odgovara jednom eksperimentu.

Skup podataka sadrži stupce koji opisuju različite aspekte ponašanja robota. Primjeri takvih značajki su:

Zahtjevi

Task 1 - Broj vrsta arena (15 bodova)

Koristeći podatke iz datoteke train.csv, odredite koliko se različitih vrijednosti pojavljuje u stupcu arena_type.

Task 2 - Maksimalna opažena brzina (15 bodova)

Koristeći podatke iz datoteke train.csv, odredite maksimum vrijednosti u stupcu avg_speed_mps.

Task 3 - Najčešće korištena arena (10 bodova)

Na temelju podataka iz datoteke train.csv, odredite koja se vrsta arene najčešće pojavljuje u stupcu arena_type.

Task 4 - Maksimalna izvedba prikupljanja (10 bodova)

Na temelju podataka iz datoteke train.csv, odredite maksimalnu vrijednost stupca items_collected.

Task 5 – Identifikacija strategije robota (50 bodova)

Izgradite model koji određuje strategiju robota za svaki eksperiment u test.csv.

Moguće vrijednosti su:

1explorer2collector3guardian4sprinter

Format datoteke za slanje

Datoteka za slanje mora biti u csv formatu i sadržavati sljedeće stupce:

Moguće vrijednosti za subtaskID su:

Za Task 1 – Task 4, rezultat je vrijednost izračunata globalno na temelju podataka iz train.csv.
U datoteci za slanje, ona se mora poslati samo jednom, koristeći posebnu vrijednost GLOBAL za robot_id.

Za Task 5, potrebno je prijaviti predviđenu strategiju za svakog robota iz test.csv.

Moguće vrijednosti su:

1explorer2collector3guardian4sprinter

Primjer datoteke submission.csv

1robot_id,subtaskID,answer2GLOBAL,1,103GLOBAL,2,4.314GLOBAL,3,forest5GLOBAL,4,76TR_1000,5,explorer7TR_1001,5,guardian8TR_1002,5,collector

Evaluacija

Ukupan broj bodova je 100 bodova.

Task 1 – Task 4 (50 bodova)

Za prva četiri zadatka, odgovori se određuju isključivo na temelju podataka iz train.csv.

Evaluacija se vrši izravnom usporedbom (jednakost) između vrijednosti poslane u datoteci za slanje i točne vrijednosti izračunate iz train.csv.

Task 5 – Identifikacija strategije robota (50 bodova)

Za ovaj zadatak ocjenjuje se točnost predviđenih strategija za robote iz test.csv.

Koristi se metrika Macro-F1, koja izračunava F1 rezultat za svaku klasu i zatim uzima prosjek tih vrijednosti.

Za klasu c:

Konačni Macro-F1 rezultat je prosjek F1 rezultata za sve klase:

gdje je K broj klasa. U ovom problemu, K = 4.

Bodovanje za Task 5 je:

1score = 50 x MacroF1 (ako je MacroF1 < 0.93)2score = 50 (ako je MacroF1 >= 0.93)

⬇ Download Starter Kit